OpenAI 在其 GitHub 数学仓库里悄悄放出一篇名为《An explicit power saving for the exact discrete Fourier transform》的预印本论文,宣称找到了比经典算法更快的离散傅里叶变换(FFT)。如果这属实,等于直接推翻了数字信号处理领域半个世纪以来的速度常识。

加州大学伯克利分校教授 Ben Recht 随后撰文直言,这项所谓突破更像一次利用大 O 表示法漏洞的恶意利用(malicious exploit)。它不是工程师翘首以盼的算力加速器,而是一只纯粹盘踞在象牙塔里的银河算法(galactic algorithm)。

纸面上的 10^-13 与宇宙尺度的常数

离散傅里叶变换是整个通信、图像处理和音频分析的底座。1965 年 Cooley 与 Tukey 提出 FFT,把原本需要 $O(n^2)$ 次运算的暴力点积压到了 $O(n \log n)$ 级别,具体算术操作通常在 $5n \log_2 n$ 以内。自那以后的六十年里,全世界的理论计算机学者都在找同一个答案:我们能不能彻底甩掉那个 $\log n$?

OpenAI 给出的答案看似给下界砸开了一道裂缝:他们声称构造出一种确定性算法,将算术复杂度上界压到了 $O(n (\log n)^{1 - \delta})$,其中 $\delta = 10^{-13}$。

从数学符号上看,这确实击穿了 $n \log n$ 的玻璃天花板。问题在于为了拿到这个微乎其微的 $10^{-13}$,算法付出了极其荒谬的代价值。

纸面渐进收益与现实物理尺度的撕裂 10⁻¹³ 指数理论节省量 微小到几乎不可见的理论项 10¹⁰⁰ 估计隐藏常数 C 远超已知宇宙原子总数 10⁸⁰ 6.93×10¹² 2倍优势所需 log(log n) 现实宇宙计算机永远不可达

大 O 记号在渐进分析中会无情抹掉常数。如果把隐藏常数补回现实,即使在 $N=10^{12}$ 的规模下,其系数 $C$ 的估算值也达到了 $10^{100}$ 这种天文级别。要知道,全宇宙的原子总数也不过大约 $10^{80}$ 个。

哪怕我们极端宽容地忽略掉这个常数,仅仅想让那个 $(\log n)^{10^{-13}}$ 的理论节省项兑现出微不足道的 2 倍优势,计算所需的规模就要让 $\log(\log n)$ 达到约 $6.93 \times 10^{12}$。

把一个比宇宙原子总数还要庞大几个数量级的输入喂进去,经典 Cooley-Tukey 算法依然会比 OpenAI 的新算法快上 $10^{99}$ 倍。

  • 风险.任何试图在生产环境、音频通信或 AI 模型训练中用该方案替换 FFTW、cuFFT 的工程尝试,都会直接导致计算任务物理性卡死。

避开经典物理约束的代数捷径

为什么过去几十年的数学家没把复杂度做下去,而这篇论文能做下去?答案不是算法结构更精妙,而是计算模型变了。

理论计算复杂性历史上早有两道不可逾越的铁律。Jacques Morgenstern 在 1973 年证明,只要参与运算的复数系数幅度是有界的,FFT 就不可能超越 $\frac{1}{2} n \log n$ 的下界。四十年后,Nir Ailon 进一步证明,脱离了 $n \log n$ 的约束,FFT 会直接陷入灾难性的数值不稳定性。

工程实际与纯理论玩具的模型断裂 工业级现实模型 (如 FFTW) • 依赖物理硬件 IEEE 754 浮点 • 严格考虑有限位精度与舍入 • 误差均方根仅随 √(log n) 极慢增长 • 满足有界系数约束,工程稳定 OpenAI 论文抽象模型 • 假设单步精确复数运算 (Unit Cost) • 允许系数幅度超多项式爆炸 • 存储中间数需要指数级位长 • 不提供任何位复杂度与精度保障

OpenAI 的论文能够避开 Morgenstern 下界,不是靠工程技巧,而是直接建立在精确复数算术(exact complex arithmetic)的理想假设上。

它把每一次任意精度的复数运算都视为只要花费一个单位的成本,同时允许标量系数在中间过程中肆无忌惮地超多项式膨胀。

真正的计算机必须靠晶体管和比特来存数字。当你运算中的数字位数随着输入规模爆炸时,单次乘法的物理成本早就不是单位时间了,存储它所需的内存空间甚至会退化成输入规模的指数级别。工业界标杆 FFTW 库之所以被全球开发者奉为圭臬,是因为它在有限位宽下把舍入误差均方根控制在与 $\sqrt{\log n}$ 同等的极慢增速上。

纸面规则允许任意大数字单步算完,算法就直接用代数膨胀把下界钻开了。

在不计位复杂度和不保障数值稳定性的真空中,这种打破下界的方式,与其说是科学发现,不如说是一场顺应形式主义定义的合法作弊。


自动化论文与现代经院哲学

整场争论里最耐人寻味的一幕来自研究者的交流方式:Ben Recht 坦率承认自己根本没有逐行细读 OpenAI 扔出来的这篇 main.pdf。

面对这些批量涌现的复杂数学公式,他的做法是把这篇 AI 论文直接扔回 ChatGPT 里,让大模型自己拆解自己的论证漏洞,随后迅速提炼出破绽写下批评。

AI 批量制造出逻辑自洽但脱离物理现实的证明,人类学者再用 AI 批量做反向审读。这一幕像极了现代版的经院哲学论战。学者们不再关心真实世界的芯片怎么跑代码,而是在自己制定的抽象框架下,为针尖上到底能站多少个天使辩论不休。

  • 结论.对于理论计算机界,破解无限制标量下的傅里叶下界依然是一个漂亮的纯数学拼图;但对于整个工业界,底层算力世界的规矩分毫未变。

当大模型被赋予解题冲动时,它最擅长顺着人类留下的规则缝隙精准钻空子。如果理论界继续崇尚不运行代码的纯渐进游戏,AI 就能不知疲倦地为你印出成千上万篇逻辑无懈可击、却在物理世界毫无立足之地的废纸。